CN105868532A - 一种智能评估心脏衰老程度的方法及系统 - Google Patents
一种智能评估心脏衰老程度的方法及系统 Download PDFInfo
- Publication number
- CN105868532A CN105868532A CN201610169247.5A CN201610169247A CN105868532A CN 105868532 A CN105868532 A CN 105868532A CN 201610169247 A CN201610169247 A CN 201610169247A CN 105868532 A CN105868532 A CN 105868532A
- Authority
- CN
- China
- Prior art keywords
- heart
- factor
- influence
- age
- aging degree
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
Abstract
本发明公开一种智能评估心脏衰老程度的方法及系统,其中,包括步骤:首先收集影响心脏年龄的影响因子,建立影响心脏年龄的影响因子指标体系,然后将影响因子进行分类,并对影响因子进行预处理,建立心脏年龄数据模型;将预处理后的影响因子作为输入组成一个样本集,先后将获得的样本集及心脏年龄数据模型输入到人工智能学习算法中进行训练,建立一种反映心脏年龄影响因子和心脏衰老程度评估测定之间的关系模型;最后采用建立的关系模型对个体测定者样本进行回归分析和学习,从而测定出个体心脏衰老程度评估值。本发明方法为健康和亚健康个体及心脏疾患个体提供了全程无创性、及时性、便利性、普适性预警作用。
Description
技术领域
本发明涉及心脏衰老程度评估领域,尤其涉及一种智能评估心脏衰老程度的方法及系统。
背景技术
生活中,一个人的外表比实际年龄或大或小的现象比较常见,而人的心脏和实际年龄也可能不一样。如果预防措施得当,心脏完全可以比实际年龄“年轻”,反之,心脏则会过早衰老。随着社会发展、生活节奏的加快以及生活水平的提高,人们不健康的生活方式、行为、习惯常常导致心脏提前衰老,引起心脏病,致使心脏病发病呈上升趋势,且发病年轻化趋势明显,尤其是青中年。调查发现:男性冠心病事件发生率上升最为明显,其中35岁至44岁年龄组的急性冠心病事件发生率在3年内增加了30%多,44岁至55岁年龄组增加了20%多。心脏病有突然致死的危险,至今依然是排名第一的致死因素。虽然大多数能捱过第一次心脏病发作,但风险依在,依然不容乐观。对于所有人,知道自己的衰老程度将有助于理解身体的状况,理解改善生活方式、行为、习惯和其他预防措施可以减少未来心脏病发病的风险;对于大多数人,计算心脏衰老程度评估值能够让自己知道在年轻时坚持养成良好健康的生活习惯对身体有多大潜在益处,而不会到了年老时再去寻医问药。因此,对心脏衰老程度及时评估,以尽早采取措施,进行干预、治疗,防患于未然,就显得尤为重要。目前,对因心脏轻微受损(心脏轻度衰老)而未引起心脏病变个体即亚健康状态,医学上尚未有检测、检查、评估方法,即存在评估盲区;对因心脏中、重度受损(心脏中、重度衰老)而引起心脏疾患的个体进行检测、检查、评估的方法主要有:冠脉造影、彩超、光学相干断层成像、动态心电图、心肌酶检测以及心功能评定等,这些方法或价格昂贵、或有创伤性、或不适用于常规体检、或准确性低、或便利性差,因而不易对心脏衰老程度进行及时、随时、便捷、准确评估,造成心脏病上升趋势明显,心脏病事件居高不下。
因此,现有技术还有待于改进和发展。
发明内容
鉴于上述现有技术的不足,本发明的目的在于提供一种智能评估心脏衰老程度的方法及系统,旨在解决现有方法或价格昂贵、或有创伤性、或不适用于常规体检、或准确性低、或便利性差的问题。
本发明的技术方案如下:
一种智能评估心脏衰老程度的方法,其中,包括步骤:
A、首先收集影响心脏年龄的影响因子,建立影响心脏年龄的影响因子指标体系,然后将影响因子进行分类,并对影响因子进行预处理,建立心脏年龄数据模型;
B、将预处理后的影响因子作为输入组成一个样本集,先后将获得的样本集及心脏年龄数据模型输入到人工智能学习算法中进行训练,建立一种反映心脏年龄影响因子和心脏衰老程度评估测定之间的关系模型;
C、最后采用建立的关系模型对个体测定者样本进行回归分析和学习,从而测定出个体心脏衰老程度评估值。
所述的智能评估心脏衰老程度的方法,其中,步骤A中,预处理具体包括:对影响因子进行离散化处理,处理后采用主成分分析法对影响因子进行筛选,消除重复信息。
所述的智能评估心脏衰老程度的方法,其中,步骤B中,所述心脏年龄数据模型为:H=K·Y;
式中:H代表心脏年龄,K代表心脏衰老程度评估值,Y代表实际年龄。
所述的智能评估心脏衰老程度的方法,其中,步骤B中,将获得的样本集及心脏年龄数据模型输入到支持向量机进行训练。
所述的智能评估心脏衰老程度的方法,其中,步骤B中,反映心脏年龄影响因子和心脏衰老程度评估测定之间的关系模型为:
<1>其中,心率≥55次/分钟;
<2>其中,心率≤54次/分钟;
式中:yi代表生活方式、行为和习惯危险因子分数中的一种,xi代表生活方式、行为和习惯保护因子分数中的一种,p代表遗传因子分数。
一种如上任一所述智能评估心脏衰老程度的方法的系统,其中,包括:
处理及建立模块,用于首先收集影响心脏年龄的影响因子,建立影响心脏年龄的影响因子指标体系,然后将影响因子进行分类,并对影响因子进行预处理,建立心脏年龄数据模型;
训练及建立模块,用于将预处理后的影响因子作为输入组成一个样本集,先后将获得的样本集及心脏年龄数据模型输入到人工智能学习算法中进行训练,建立一种反映心脏年龄影响因子和心脏衰老程度评估测定之间的关系模型;
分析及测定模块,用于最后采用建立的关系模型对个体测定者样本进行回归分析和学习,从而测定出个体心脏衰老程度评估值。
所述智能评估心脏衰老程度的方法的系统,其中,处理及建立模块中,预处理具体包括:对影响因子进行离散化处理,处理后采用主成分分析法对影响因子进行筛选,消除重复信息。
所述智能评估心脏衰老程度的方法的系统,其中,训练及建立模块中,所述心脏年龄数据模型为:H=K·Y;
式中:H代表心脏年龄,K代表心脏衰老程度评估值,Y代表实际年龄。
所述智能评估心脏衰老程度的方法的系统,其中,训练及建立模块中,将获得的样本集及心脏年龄数据模型输入到支持向量机进行训练。
所述智能评估心脏衰老程度的方法的系统,其中,训练及建立模块中,反映心脏年龄影响因子和心脏衰老程度评估测定之间的关系模型为:
<1>其中,心率≥55次/分钟
<2>其中,心率≤54次/分钟;
式中:yi代表生活方式、行为和习惯危险因子分数中的一种,xi代表生活方式、行为和习惯保护因子分数中的一种,p代表遗传因子分数。
有益效果:本发明方法为健康和亚健康个体及心脏疾患个体提供了全程无创性、及时性、便利性、普适性预警作用。为把人类医学推进到预测性、预防性和个性化的精准医学新时代,开辟了有益路径,起到了精准防治作用。
附图说明
图1为本发明影响心脏年龄的影响因子指标体系示意图。
图2为本发明心脏年龄动物模型示意图。
图3为本发明智能评估心脏衰老程度的方法另一较佳实施例的流程图。
具体实施方式
本发明提供一种智能评估心脏衰老程度的方法及系统,为使本发明的目的、技术方案及效果更加清楚、明确,以下对本发明进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明的一种智能评估心脏衰老程度的方法较佳实施例,其中,包括步骤:
A、首先收集影响心脏年龄的影响因子,建立影响心脏年龄的影响因子指标体系,然后将影响因子进行分类,并对影响因子进行预处理,建立心脏年龄数据模型;
B、将预处理后的影响因子作为输入组成一个样本集,先后将获得的样本集及心脏年龄数据模型输入到人工智能学习算法中进行训练,建立一种反映心脏年龄影响因子和心脏衰老程度评估测定之间的关系模型;
C、最后采用建立的关系模型对个体测定者样本进行回归分析和学习,从而测定出个体心脏衰老程度评估值。
本发明步骤A具体为,首先复习文献,进行研究、分析,根据科学性、系统性、全面性和可操性原则,科学、准确地收集影响心脏年龄的影响因子,建立影响心脏年龄的影响因子指标体系,如图1所示,影响心脏年龄的影响因子包括实际年龄、心率、生活方式、行为、习惯、体重指数、遗传因子、身体健康状况等等。其中,生活方式、行为、习惯中可分为危险因子和保护因子两类,如,危险因子包括性格急躁或暴躁、久坐或懒动、吸烟、熬夜、口味重、喜食零食、生活无规律、爱生气、情绪易波动、酗酒、抑郁、精神紧张、神经质等;保护因子包括有氧运动、性格豪爽或豁达、温和、生活规律、饮食清淡、常饮茶、喜食坚果、海鱼、兴趣广泛等。
进一步地,步骤A中,预处理具体包括:对影响因子进行离散化处理,处理后采用主成分分析法对影响因子进行筛选,消除重复信息。
具体地,建立影响心脏年龄的影响因子指标体系后,对影响心脏年龄的影响因子进行离散化处理。心脏年龄的影响因子数据需要进行离散化处理,如,心率≥55次/分与心率≤54次/分时,同时,心脏年龄影响因子单位不同,如,体重指数与心率大小的数据相关比较大,为了消除这些因素对心脏衰老程度评估的不利影响,将影响心脏年龄的影响因子分数进行归一化处理,将它们缩放到0和1之间,具体为:
上式中:表示影响因子原始值,为归一化后的值,max(xi)和min(xi)分别为求最大值和最小值函数。根据心脏年龄动物模型中各影响因子对心脏年龄的影响作用,确定生活方式、遗传因子、体重指数、心率等影响因子原始值为1,则身体健康状况影响因子原始值为2×2,即为4。
具体地,对影响心脏年龄的影响因子离散化处理后,采用主成分分析法(principal component analysis,PCA)对影响心脏年龄的影响因子进行筛选,消除重复信息。这是因为从图1影响心脏年龄的影响因子指标体系可知,这些影响因子可能存在多重共线性,特别是当各个指标之间存在着高度的相互依赖性关系时,如久坐与懒动、抑郁与精神紧张等,这会给心脏年龄和心脏衰老程度评估值带来不合理的解释。为了得到一个准确、可靠的心脏年龄动物模型,需要从众多影响心脏年龄的影响因子中挑选出对心脏年龄影响大的影响因子。为此,本发明采用主成分分析(principalcomponent analysis,PCA)对影响心脏年龄的影响因子进行筛选,消除重复信息,建立心脏年龄动物模型(见图2)。
本发明步骤B具体为,上述步骤A预处理后的影响因子作为输入组成一个样本集,将获得的样本集及心脏年龄数据模型输入到人工智能学习算法中进行训练,建立一种反映心脏年龄影响因子和心脏衰老程度评估测定之间的关系模型;其中,所述心脏年龄数据模型为:H=K·Y;式中:H代表心脏年龄,K代表心脏衰老程度评估值,Y代表实际年龄。反映心脏年龄影响因子和心脏衰老程度评估测定之间的关系模型为:
<1>其中,心率≥55次/分钟;
<2>其中,心率≤54次/分钟;
式中:yi代表生活方式、行为和习惯危险因子分数中的一种,xi代表生活方式、行为和习惯保护因子分数中的一种,p代表遗传因子分数。
进一步地,本发明将获得的样本集及心脏年龄数据模型输入到支持向量机进行训练。所述支持向量机是一种新型人工智能技术,具有模拟人的自学习及自组织能力的特点,本发明采用支持向量机(support vectormachine,SVM)对心脏衰老程度评估测定,克服了传统心脏衰老程度评估值测定方法的许多缺点。本发明通过采用主成分分析法(PCA)与支持向量机(SVM)相结合进行心脏衰老程度评估测定,从而有效提高了心脏衰老程度评估测定的效率和准确率。
具体地,例如,设训练样本集为{xi,yi},i=1,2,…,n,xi∈Rn,yi∈{+1,-1},那么支持向量机的超平面方程为:
wx+b=0
那么支持向量机分类的决策函数为:
f(x)=sgn(wx+b)
对于一个样本线性可分问题,其经验风险可以为0,然而根据结构风险最小化原则,求最大分类间隔的超平面问题可以转化为:
相应的条件约束为:
通过引入Lagrange乘子法得该问题的对偶形式为:
相应约束条件为:
由上式可求得,支持向量机的最优分类超平面判决函数为:
对于非线性问题,由于支持向量机的超平面分类能力有限,支持向量机引入核函数,其通过非线性地映射将输入矢量变换到高维特征空间中进行线性映射可表示为:
应用Lagrange乘子法,支持向量机求解的超平面可表示成:
其中,ai表示Lagrange。
根据Hibert-Schmidt原理,只要一种核函数满足Mercer条件,那么其就可以对应于某一变换空间中的内积。即:
只要选择适当的核函数,就可以对非线性分类问题变换后的线性分类问题,并称其为支持向量机的判决函数:
具体地,本发明智能评估心脏衰老程度的步骤为:
智能评估心脏衰老程度的步骤分为两个阶段:训练阶段和测试阶段,训练阶段是利用心脏年龄影响因子和心脏衰老程度评估测定之间的关系模型对个体样本进行学习,并进行模型参数寻优,建立心脏衰老程度评估智能测定模型;测试阶段就是利用建立的心脏衰老程度评估智能测定模型对待测个体进行测试,检测模型有效性和可行性。
图3为本发明智能评估心脏衰老程度的方法另一较佳实施例的流程图,如图所示,具体步骤如下:
(1)、心脏衰老程度评估测定样本收集:利用心脏年龄影响因子和心脏衰老程度评估测定之间的关系模型对已测的心脏衰老程度评估测定个体多例的数据,作为输入支持向量机的样本集。
(2)、指标归一化处理:对心脏衰老程度评估测定影响因子进行归一化处理,消除影响因子间的差异。
(3)、主成分分析:采用主成分分析对归一化的心脏衰老程度评估测定影响因子进行分析,提取对心脏衰老程度评估测定结果比较重要的m个主成分。
(4)、训练样本输入支持向量机进行学习:首先选择支持向量机核函数及各参数的相应范围。然后支持向量机训练,具体为,将选择的m个主成分支持向量机的输入,将心脏衰老程度评估测定的具体类别作为支持向量机的期望输出,组成心脏衰老程度评估测定样本集,将数据分成训练集和测试集两部分,将训练集输入到支持向量机进行学习,并采用网络搜索方法对支持向量机参数优化,找到支持向量机最优训练参数。
(5)、测定精度达到要求,并建立心脏衰老程度评估智能测定关系模型:反复迭代,直到测定精度达到要求。然后采用最优参数建立心脏衰老程度评估智能测定器,并采用测定分类器对测试样本进行分类,最后计算出心脏衰老程度评估智能测定的准确率,并输出测定结果。
基于上述方法,本发明还提供一种如上任一所述智能评估心脏衰老程度的方法的系统,其中,包括:
处理及建立模块,用于首先收集影响心脏年龄的影响因子,建立影响心脏年龄的影响因子指标体系,然后将影响因子进行分类,并对影响因子进行预处理,建立心脏年龄数据模型;
训练及建立模块,用于将预处理后的影响因子作为输入组成一个样本集,先后将获得的样本集及心脏年龄数据模型输入到人工智能学习算法中进行训练,建立一种反映心脏年龄影响因子和心脏衰老程度评估测定之间的关系模型;
分析及测定模块,用于最后采用建立的关系模型对个体测定者样本进行回归分析和学习,从而测定出个体心脏衰老程度评估值。
所述智能评估心脏衰老程度的方法的系统,其中,训练及建立模块中,所述心脏年龄数据模型为:H=K·Y;
式中:H代表心脏年龄,K代表心脏衰老程度评估值,Y代表实际年龄。
所述智能评估心脏衰老程度的方法的系统,其中,训练及建立模块中,将获得的样本集及心脏年龄数据模型输入到支持向量机进行训练。
所述智能评估心脏衰老程度的方法的系统,其中,训练及建立模块中,反映心脏年龄影响因子和心脏衰老程度评估测定之间的关系模型为:
<1>其中,心率≥55次/分钟
<2>其中,心率≤54次/分钟;
式中:yi代表生活方式、行为和习惯危险因子分数中的一种,xi代表生活方式、行为和习惯保护因子分数中的一种,p代表遗传因子分数。
关于上述模块的技术细节在前面的方法中已有详述,故不再赘述。
下面通过具体实施例对本发明进行详细说明。
实施例1
胡某,女,1979年8月出生,事业单位工作人员,身高1.60米,2015年12月10日做心脏衰老程度评估测定。体重56kg,心率76次/分,口味重,每天运动半小时左右,余无特殊。输入体重56kg,身高1.6m,心率76次/分,点击“口味重,有氧运动半小时”,即显示检测结果:心脏衰老程度评估值:111.26%。表示心脏年龄较实际年龄大11.26%,示心脏轻度受损,尽管胡某自觉症状无明显不适感,医学有关检查、检验未发现阳性指标,处于健康、或亚健康状态,但仍建议:清淡饮食,定期复查。
实施例2
肖某,男,1958年4月出生,乡镇干部,身高1.72米,2014年12月5日做心脏衰老程度评估值测定。体重78kg,心率77次/分,性格豪爽,常饮茶,平时久坐,口味重,常熬夜。输入体重78kg,身高1.72m,心率77次/分,点击“性格豪爽,饮茶,久坐,口味重,熬夜”,即显示检测结果:心脏衰老程度评估值:131.90%。表示心脏年龄较实际年龄大31.90%,为心脏重度衰老。建议:清淡饮食,适量运动,少坐,减少熬夜频率,同时建议到医院做进一步检查。医院检查结果:空腹血糖11.3mol/L,血胆固醇7.3mol/L,甘油三酯2.28mol/L,Bp:156/94mmHg,心电图:可见弓背向上型ST段抬高、宽而深的Q波,冠状动脉造影显示双支病变。即住院治疗,给予降糖、降压、降脂等处理,行经皮冠状动脉介入治疗(PCI),住院20天后出院。2015年12月20日再做心脏衰老程度评估值测定。检查:体重72kg,心率66次/分,性格豪爽,饮茶,饮食清淡,每天适量运动半小时左右,少坐,不熬夜;Bp:132/82mmHg,空腹血糖5.5mol/L,血胆固醇6.1mol/L,甘油三酯1.92mol/L,有冠心病史。根据以上资料,点击“体重72kg,身高1.72m,心率66次/分,性格豪爽,饮茶,饮食清淡,有氧运动半小时,血脂异常,冠心病”,即显示检测结果:心脏衰老程度评估值:105.81%,表示心脏年龄较实际年龄大5.81%,示心脏受损较前明显好转,心脏衰老进程明显延缓。建议:坚持服药,适量控制体重,定期复查。该案例提示:心脏衰老程度评估值测定为个体心脏疾患者提供了无创性、及时性、普适性预警方法,达到了降低心脏病事件发生、延缓心脏衰老进程的目的。
通过以上两个实施例,显示本发明的心脏衰老程度评估方法为把人类医学推进到预测性、预防性和个性化的精准医学新时代提供了很好实证,起到了精准防治作用。
综上所述,本发明提供的一种智能评估心脏衰老程度的方法及系统,本发明首先收集影响心脏年龄的影响因子,建立影响心脏年龄的影响因子指标体系,然后将影响因子进行分类,并对影响因子进行预处理,建立心脏年龄数据模型;将预处理后的影响因子作为输入组成一个样本集,先后将获得的样本集及心脏年龄数据模型输入到人工智能学习算法中进行训练,建立一种反映心脏年龄影响因子和心脏衰老程度评估测定之间的关系模型;最后采用建立的关系模型对个体测定者样本进行回归分析和学习,从而测定出个体心脏衰老程度评估值。本发明方法为健康和亚健康个体及心脏疾患个体提供了全程无创性、及时性、便利性、普适性预警作用。
应当理解的是,本发明的应用不限于上述的举例,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (10)
1.一种智能评估心脏衰老程度的方法,其特征在于,包括步骤:
A、首先收集影响心脏年龄的影响因子,建立影响心脏年龄的影响因子指标体系,然后将影响因子进行分类,并对影响因子进行预处理,建立心脏年龄数据模型;
B、将预处理后的影响因子作为输入组成一个样本集,先后将获得的样本集及心脏年龄数据模型输入到人工智能学习算法中进行训练,建立一种反映心脏年龄影响因子和心脏衰老程度评估测定之间的关系模型;
C、最后采用建立的关系模型对个体测定者样本进行回归分析和学习,从而测定出个体心脏衰老程度评估值。
2.根据权利要求1所述的智能评估心脏衰老程度的方法,其特征在于,步骤A中,预处理具体包括:对影响因子进行离散化处理,处理后采用主成分分析法对影响因子进行筛选,消除重复信息。
3.根据权利要求1所述的智能评估心脏衰老程度的方法,其特征在于,步骤B中,所述心脏年龄数据模型为:H=K·Y;
式中:H代表心脏年龄,K代表心脏衰老程度评估值,Y代表实际年龄。
4.根据权利要求1所述的智能评估心脏衰老程度的方法,其特征在于,步骤B中,将获得的样本集及心脏年龄数据模型输入到支持向量机进行训练。
5.根据权利要求1所述的智能评估心脏衰老程度的方法,其特征在于,步骤B中,反映心脏年龄影响因子和心脏衰老程度评估测定之间的关系模型为:
<1>其中,心率≥55次/分钟;
<2>其中,心率≤54次/分钟;
式中:yi代表生活方式、行为和习惯危险因子分数中的一种,xi代表生活方式、行为和习惯保护因子分数中的一种,p代表遗传因子分数。
6.一种如权利要求1~5任一所述智能评估心脏衰老程度的方法的系统,其特征在于,包括:
处理及建立模块,用于首先收集影响心脏年龄的影响因子,建立影响心脏年龄的影响因子指标体系,然后将影响因子进行分类,并对影响因子进行预处理,建立心脏年龄数据模型;
训练及建立模块,用于将预处理后的影响因子作为输入组成一个样本集,先后将获得的样本集及心脏年龄数据模型输入到人工智能学习算法中进行训练,建立一种反映心脏年龄影响因子和心脏衰老程度评估测定之间的关系模型;
分析及测定模块,用于最后采用建立的关系模型对个体测定者样本进行回归分析和学习,从而测定出个体心脏衰老程度评估值。
7.根据权利要求6所述智能评估心脏衰老程度的方法的系统,其特征在于,处理及建立模块中,预处理具体包括:对影响因子进行离散化处理,处理后采用主成分分析法对影响因子进行筛选,消除重复信息。
8.根据权利要求6所述智能评估心脏衰老程度的方法的系统,其特征在于,训练及建立模块中,所述心脏年龄数据模型为:H=K·Y;
式中:H代表心脏年龄,K代表心脏衰老程度评估值,Y代表实际年龄。
9.根据权利要求6所述智能评估心脏衰老程度的方法的系统,其特征在于,训练及建立模块中,将获得的样本集及心脏年龄数据模型输入到支持向量机进行训练。
10.根据权利要求6所述智能评估心脏衰老程度的方法的系统,其特征在于,训练及建立模块中,反映心脏年龄影响因子和心脏衰老程度评估测定之间的关系模型为:
<1>其中,心率≥55次/分钟
<2>其中,心率≤54次/分钟;
式中:yi代表生活方式、行为和习惯危险因子分数中的一种,xi代表生活方式、行为和习惯保护因子分数中的一种,p代表遗传因子分数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610169247.5A CN105868532B (zh) | 2016-03-22 | 2016-03-22 | 一种智能评估心脏衰老程度的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610169247.5A CN105868532B (zh) | 2016-03-22 | 2016-03-22 | 一种智能评估心脏衰老程度的方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105868532A true CN105868532A (zh) | 2016-08-17 |
CN105868532B CN105868532B (zh) | 2019-03-05 |
Family
ID=56625139
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610169247.5A Active CN105868532B (zh) | 2016-03-22 | 2016-03-22 | 一种智能评估心脏衰老程度的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105868532B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107818824A (zh) * | 2017-04-10 | 2018-03-20 | 平安科技(深圳)有限公司 | 一种用于健康评估的健康模型构建方法及终端 |
CN111291131A (zh) * | 2019-12-25 | 2020-06-16 | 东软集团股份有限公司 | 数据处理方法、装置、存储介质及电子设备 |
CN111312390A (zh) * | 2020-02-27 | 2020-06-19 | 复旦大学附属中山医院 | 一种乳腺癌心脏毒性的评估方法,系统及存储装置 |
CN111933285A (zh) * | 2020-09-29 | 2020-11-13 | 平安科技(深圳)有限公司 | 一种器官年龄预测系统、方法、装置及存储介质 |
CN113223712A (zh) * | 2021-04-30 | 2021-08-06 | 王世宣 | 基于广义线性模型的卵巢功能年龄评估方法和装置 |
CN114334170A (zh) * | 2022-03-14 | 2022-04-12 | 天津云检医学检验所有限公司 | 一种代谢年龄预测模型及其在结直肠癌诊断中的应用 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8409104B2 (en) * | 2008-05-02 | 2013-04-02 | Conopco Inc. | Heart age assessment |
JP5901530B2 (ja) * | 2009-11-10 | 2016-04-13 | ネステク ソシエテ アノニム | 心臓加齢バイオマーカー及び使用方法 |
CN103070668A (zh) * | 2013-01-02 | 2013-05-01 | 北京工业大学 | 心脏年龄检测仪及其检测方法 |
CN104598985B (zh) * | 2014-12-12 | 2017-08-25 | 国家电网公司 | 电力负荷预测方法 |
CN104490390B (zh) * | 2014-12-30 | 2017-03-08 | 天津大学 | 基于神经电生理信号联合分析的人体运动能力判别方法 |
CN105184107A (zh) * | 2015-10-20 | 2015-12-23 | 沈阳国际旅行卫生保健中心 | 一种人体循环系统健康风险预警系统 |
-
2016
- 2016-03-22 CN CN201610169247.5A patent/CN105868532B/zh active Active
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107818824A (zh) * | 2017-04-10 | 2018-03-20 | 平安科技(深圳)有限公司 | 一种用于健康评估的健康模型构建方法及终端 |
WO2018188533A1 (zh) * | 2017-04-10 | 2018-10-18 | 平安科技(深圳)有限公司 | 用于健康评估的健康模型构建方法、终端及存储介质 |
CN111291131A (zh) * | 2019-12-25 | 2020-06-16 | 东软集团股份有限公司 | 数据处理方法、装置、存储介质及电子设备 |
CN111312390A (zh) * | 2020-02-27 | 2020-06-19 | 复旦大学附属中山医院 | 一种乳腺癌心脏毒性的评估方法,系统及存储装置 |
CN111933285A (zh) * | 2020-09-29 | 2020-11-13 | 平安科技(深圳)有限公司 | 一种器官年龄预测系统、方法、装置及存储介质 |
CN113223712A (zh) * | 2021-04-30 | 2021-08-06 | 王世宣 | 基于广义线性模型的卵巢功能年龄评估方法和装置 |
CN114334170A (zh) * | 2022-03-14 | 2022-04-12 | 天津云检医学检验所有限公司 | 一种代谢年龄预测模型及其在结直肠癌诊断中的应用 |
Also Published As
Publication number | Publication date |
---|---|
CN105868532B (zh) | 2019-03-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105868532A (zh) | 一种智能评估心脏衰老程度的方法及系统 | |
De Brauw et al. | Migration and the overweight and underweight status of children in rural China | |
Cowdrey et al. | Assessing rumination in eating disorders: Principal component analysis of a minimally modified ruminative response scale | |
La Porta et al. | Is the Berg Balance Scale an internally valid and reliable measure of balance across different etiologies in neurorehabilitation? A revisited Rasch analysis study | |
Jee et al. | Stroke risk prediction model: a risk profile from the Korean study | |
TWI500411B (zh) | 脈波與體質健康風險評估系統與方法 | |
CN108133736A (zh) | 一种自适应性认知功能评估方法及系统 | |
CN106250680A (zh) | 心脏健康指数检测系统及模型构建方法 | |
CN110881969A (zh) | 一种基于Stacking集成学习的心力衰竭预警方法 | |
Peña-Longobardo et al. | The impact of widowhood on wellbeing, health, and care use: A longitudinal analysis across Europe | |
Cheng et al. | Atrial fibrillation identification with PPG signals using a combination of time-frequency analysis and deep learning | |
Napoli et al. | Uncertainty in heart rate complexity metrics caused by R-peak perturbations | |
CN105725966A (zh) | 一种基于神经网络模型的心电信号质量判别方法 | |
Davey et al. | Profiles of cognitive functioning in a population-based sample of centenarians using factor mixture analysis | |
CN105893748A (zh) | 基于粗糙集理论的幸福指数评价方法及系统 | |
Gignac | Residual group-level factor associations: Possibly negative implications for the mutualism theory of general intelligence | |
Fang et al. | A dual-stream deep neural network integrated with adaptive boosting for sleep staging | |
CN108962397B (zh) | 一种基于笔和语音的协同任务神经系统疾病辅助诊断系统 | |
Knox et al. | Validation and calibration of the SF-36 health transition question against an external criterion of clinical change in health status | |
CN114190897A (zh) | 睡眠分期模型的训练方法、睡眠分期方法及装置 | |
Zhang | A novel deep learning model for analyzing psychological stress in college students | |
Hendrix et al. | The use of the Minimum Data Set to identify depression in the elderly | |
CN109157211A (zh) | 一种便携式心电在线智能监测诊断系统设计方法 | |
Roussel et al. | The clinical utility of the soft phonation index | |
Yang et al. | Prediction of H-type hypertension based on pulse-taking and inquiry diagnosis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |